脑龄再探:用深度学习研究脑电图衍生的脑龄动态的状态对个体假设与特质对个体假设
使用深度学习和卷积神经网络方法,预测健康人群的大脑年龄,并建立其作为大脑衰老过程个体差异性的生物标志物的资格,该预测模型的结果证明了其在灰质或白质参数地图上的预测准确度极高,具有高度的可靠性和遗传学效度,可用于评估大脑老化的生物标志物,并且可以在原始数据上准确生成预测,实现在临床现场获得大脑健康信息。
Dec, 2016
通过在脑电图研究中使用不同的机器学习算法,并结合 SHAP 值的解释能力,我们发现算法的变异性对于脑龄预测的研究结果的一致性有重要影响。
Feb, 2024
本文提出了使用深度学习模型通过 MRI 数据预测大脑结构的年龄从而提高异常检测的准确性,并且该方法可用于神经疾病差异诊断的多病种分类任务。
Apr, 2023
研究了脑网络和脑功能的生理基质,通过 EEG 和隐马尔可夫模型分析了脑网络的时空动态和状态的拓扑结构,与经典的 EEG 微状态分析相比,发现两种方法的主导状态寿命均为 100-150ms,HMM 方法有独特的时空特性,可能从数据模式中获取生理学的信息,然而必须进一步研究以确定电脑 HMM 状态与微状态在脑功能和临床研究中的可靠性和重要性。
Jun, 2016
本文介绍了一种使用机器学习模型和开放的健康大脑数据集(OpenBHB dataset)的新的脑龄评估框架,该框架整合了三种不同的 MRI 衍生区域特征和不同的回归模型,可高度精确地评估脑龄,对于认识神经学疾病和与年龄相关的大脑变化具有重要意义。
Jun, 2023
本研究提出了一种全局和局部信息相结合的转换器,将局部细节和全局信息相结合,利用注意机制根据磁共振成像(MRI)数据进行快速脑龄估计。该方法在 8 个公共数据集上进行验证,相比现有方法,其均方误差为 2.70 岁,相关系数为 0.9853,同时提供了与脑龄估计相关的信息。
Sep, 2021
使用神经影像数据和机器学习算法估计生物年龄的脑龄是反映神经退行和认知衰退易感性增加的标志。本文研究了基于协方差神经网络的神经 VNN 作为脑龄预测应用基础模型,在健康人群中对神经 VNN 进行了预训练用于预测年龄,并在不同神经学背景下进行了微调来估计脑龄。重要的是,神经 VNN 为脑龄增加解剖学可解释性,并具有 “无尺度” 特性,可迁移到根据任意脑图精心策划的数据集。我们的结果表明,神经 VNN 可以从不同人群中提取符合生物学规律的脑龄估计,并成功迁移到维度与训练神经 VNN 的数据集不同的数据集中。
Feb, 2024
我们采用半监督扩散模型,在低质量的 T1w MR 图像上获得了年龄的预测结果与实际年龄之间 0.83(p<0.01)的相关性,这竞争力超过了最先进的非生成方法。此外,我们模型的预测结果与肌萎缩侧索硬化的生存期长度有显著相关性 (r=0.24, p<0.05),从而显示了扩散模型在脑龄预测任务中的价值。
Feb, 2024
深度学习模型通过磁共振成像在估计大脑年龄方面取得了最先进的结果。我们将年龄预测问题从全局预测转化为图像回归问题,比较了基于体素的年龄预测模型与基于全局的模型以及它们对应的显著性地图。结果表明,基于体素的年龄预测模型更具解释性,因为它们提供了关于大脑衰老过程的空间信息,并从定量化中受益。
Aug, 2023